Feb, 2024

双机器学习在因果混合建模中的应用 -- 地球科学中的应用

PDF
TL;DR通过因果推断框架运用 Double Machine Learning（DML）估计混合模型，展示了在地球科学领域中估计因果参数的优势、对正则化方法偏差的鲁棒性以及避免等效多样性。该方法在碳通量配分中展现了适应异质因果效果的灵活性，并强调了明确定义因果图和关系的必要性，提倡这作为一般最佳实践，鼓励继续探索混合模型中的因果性以获得更可解释和可信赖的知识导向机器学习结果。
发现论文，激发创造
  • 双机器学习估计因果效应 -- 方法评估

    通过对模拟数据和真实世界数据的性能比较，本文评估了一种名为 “双重 / 无偏机器学习”（DML）的方法，在估算因果效应时，使用机器学习放宽了传统假设的限制。我们发现，将灵活的机器学习算法应用于 DML 可以提高对各种非线性混淆关系的调整，从而避免了传统因果效应估计中通常需要的功能形式假设。然而，我们证明这种方法仍然严重依赖于因果结构和识别的标准假设。在我们的应用中，估计空气污染对房价的影响时，我们发现 DML 估计结果一直比不太灵活的方法估计结果要大。基于我们的整体结果，我们为研究人员在实际应用 DML 时提供了可行的建议。

    Mar, 2024

  • DoubleMLDeep: 多模态数据的因果效应估计

    本文探讨了在因果推断和治疗效果估计中使用非结构化多模态数据（即文本和图像）的方法。我们提出了一种适应双机器学习（DML）框架，特别是部分线性模型的神经网络架构。我们还提出了一种新方法来生成半合成数据集，以评估在存在文本和图像混淆因素的情况下因果效应估计的性能。所提出的方法和架构在半合成数据集上进行了评估，并与标准方法进行了比较，突显了直接使用文本和图像进行因果研究的潜在好处。我们的研究结果对经济学、市场营销、金融、医学和数据科学等领域的研究人员和实践者在使用非传统数据估计因果数量方面具有重要意义。

    Feb, 2024

  • 基于图神经网络的双机器学习估计网络因果效应

    我们的研究论文利用图神经网络和双机器学习的新方法，结合社交网络，有效地推断出因果效应，并证明该估计器在因果效应估计中具有良好的性能。

    Mar, 2024

  • 固定效应下的静态面板模型的双机器学习

    我们开发了从面板数据中估计政策干预措施的估计量，允许混淆回归因子的非线性效果，并使用三个著名的机器学习算法（LASSO、分类和回归树以及随机森林）来研究这些估计量的性能。

    Dec, 2023

  • 双重 / 无偏机器学习用于处理和因果参数

    本文提出了一种新方法，双重机器学习 (Double ML)，用于解决因变量的原因关系，利用多种主要和辅助机器学习预测模型解决辅助和主关键参数预测，通过 K 折采样交叉拟合解决过拟合问题。

    Jul, 2016

  • 基于双机器学习的非混淆下程序评估

    本论文旨在使用基于双重机器学习的方法对程序评估进行调整并进行扩展，并利用瑞士积极劳动力市场政策的多个程序进行评估。提出了规范化 DR-learner (NDR-learner) 方法来稳定个性化效果估计，从而更好地解决了 DR-learner 方法的局限性。

    Mar, 2020

  • 基于机器学习方法的高效气候模拟

    该论文提出了一种名为 NeuroClim 的框架，用于采用脑神经算法设计气候混合仿真，并为此提供了一个平台、一个数据集和一种量化的评估方法，以促进人工智能和气候研究的交叉。

    Aug, 2022

  • 混合方块神经 ODE 因果建模

    通过将机械化 ODE 动力学与灵活且富有表现力的神经网络组件结合起来，我们解决了混合模型中因机械化模型的灵活性而失去因果关系的问题，并在建模运动期间的血糖动力学方面实现了既具有领先预测性能又具有因果有效性的双赢。

    Feb, 2024

  • 运用机器学习技术纠正数据同化和预测应用中的模型误差

    本研究将机器学习和数据同化相结合，提出了一种迭代方法来纠正现有知识型模型的误差，为地球科学建立了一个混合替代模型，该模型在短期到中期范围内有更好的预测表现

    Oct, 2020

  • 医疗保健和精准医学的因果机器学习

    本文探讨了如何将因果推断融入临床决策支持系统，以及因果表示学习、因果发现和因果推理领域中的研究方向，以解决医疗应用中存在的高维非结构化数据处理、样本推广和时间关系等挑战。以 Alzheimer 病为例，展示了因果机器学习在临床场景中的优势。

    May, 2022